全球分析婴儿肠道微生物组揭示不同生活方式下独特的成熟动态

《npj Biofilms and Microbiomes》：Global analysis of infant gut microbiota revealed distinctive maturation dynamics across lifestyles

　　

婴儿肠道微生物组在生命的最初几年发育，并通过与免疫系统发育的相互作用影响长期健康。然而，研究人员对早期微生物组组装的理解由于北美和欧洲工业化生活方式婴儿的优势地位而存在偏差。在此，研究人员通过整合来自2746个个体的14,979个婴儿肠道微生物组的全球代表性数据集来解决这一偏差，以训练一个微生物组成熟模型，该模型能够将依赖于年龄的微生物成熟的生活方式特异性模式表征出来。仅在工业化婴儿上训练的模型在应用于非工业化数据集时表现不佳。相比之下，包含两种生活方式个体的更多样化的模型，在微生物年龄与实际年龄之间获得了更高的相关性（ΔR² = 0.123）。研究人员还识别了与不同生活方式下成熟相关的分类群的差异。此外，该建模方法检测到，与健康婴儿相比，独立队列中的严重营养不良早产儿的微生物成熟存在延迟。研究结果强调了微生物组研究中全球多样性的相关性，并提供了对婴儿肠道微生物组依赖于背景的成熟动态的更深入见解。

生命早期肠道微生物组的成熟是人类健康的关键决定因素，影响免疫系统发育、代谢调整和一生中对疾病的易感性。然而，研究人员对这一过程的理解主要基于工业化人群，这在全球多样性中只占一小部分。生活在非工业化或传统社区中的婴儿在微生物组研究中仍 largely代表性不足，留下了不同环境和居住条件如何塑造早期微生物群落组装的理解空白。此外，研究存在显著的地理偏差，工业化生活方式涉及更高的卫生水平、抗生素暴露、减少的与野生动物的接触以及饮食向加工高热量食物的转变，这些因素导致成年微生物组多样性降低和群落结构改变。因此，仅关注工业化人群扭曲了研究人员对全球微生物组动态的理解，特别是在婴儿期微生物组成熟的关键阶段。为解决在微生物组成熟研究中由单一队列和同质人群驱动的差距，研究人员对跨越不同人群和生活方式的婴儿肠道微生物组成熟进行了全球代表性分析。该研究整合并分析了公开可用的数据集，揭示了生活方式对早期微生物定植的影响及其对人类健康的意义，论文发表在《npj Biofilms and Microbiomes》上。

研究人员为开展研究用到的主要关键技术方法包括：首先收集了来自非洲、美洲、亚洲和欧洲20个国家20项公开研究的16S rRNA基因测序数据，样本队列总共包含来自2746名个体的14,979个婴儿粪便样本，并基于人类发展指数（HDI）将样本划分为工业化和非工业化生活方式；其次，在数据处理阶段采用了DADA2流程推断扩增子序列变异（ASVs），并使用SILVA数据库进行分类学注释，同时进行了降噪和宿主序列去除；最后，在数据分析层面，运用了随机森林回归结合留一数据集交叉验证（LODO-CV）构建微生物年龄预测模型，通过Shapley加性解释（SHAP）评估特征贡献度，并利用置换多元方差分析（PERMANOVA）和广义加性模型探究了物种组成和Alpha多样性差异，还计算了微生物年龄Z分数（MAZ）以评估临床条件下的成熟延迟情况。

年龄和生活方式驱动肠道微生物组的成熟
研究人员通过分析15,000余份婴儿粪便样本的微生物组成发现，非工业化样本的微生物属丰富度显著低于工业化样本。Alpha多样性在整个生命早期随着年龄增长而增加，尽管这种增加与生活方式无关，但非工业化微生物组的整体多样性较工业化群体有所降低，且此结果是由非工业化样本中的含量较少的不确定属驱动的。对于群落结构，生活方式决定了4%的微生物群落结构变异，年龄解释了5%的变异。微生物组随着时间推移沿着平行的成熟轨迹发展，但不同生活方式之间的区别随着实际年龄的增长变得更加清晰。

用于人类婴儿微生物组成熟的模型
研究人员通过训练基于微生物组成和多样性的机器学习模型来预测个体的实际年龄。留一数据集交叉验证（LODO-CV）表明，在工业化和非工业化样本中，预测的微生物年龄与实际年龄均存在强相关性（R²分别为0.67和0.57）。微生物年龄最初随着实际年龄迅速增加，工业化婴儿在455天、非工业化婴儿在524天时达到稳定阶段。研究人员在三种数据集（包含两种生活方式的组合数据集、仅工业化、仅非工业化）上训练模型并评估其表现。仅在单一生活方式数据集上训练的模型在预测另一种生活方式的样本时性能显著下降。这表明，对非工业化婴儿的微生物年龄预测，使用工业化模型表现极差，反之亦然；而包含两种生活方式的混合模型能够提高在所有数据集上的泛化能力。

特定细菌驱动不同生活方式下微生物组的成熟
模型共识别了105个重要分类群，但只有40个在两种生活方式中都具有年龄预测重要性。Faecalibacterium是两种生活方式中总体最重要的分类群。Ruminococcus和Staphylococcus在工业化模型中更为重要，而Subdoligranulum和Prevotella则对非工业化模型贡献更大。研究发现，共有65个分类群仅在某一种生活方式模型中显示出重要性，然而它们在另一种生活方式中仍然存在，只是普遍率较低。总的来说，工业化模型中检测到的属于重要分类群的微生物数量多于非工业化模型。

成熟驱动类群在不同生活方式间的定植模式不同
在根据特征丰度与预测微生物年龄的相关性进行分组后，研究人员将分类群分为四种定植模式：早期定植者、晚期定植者、混合定植者和单一生活方式定植者。结果显示，89%的共享受影响分类群在不同生活方式间表现出一致的定植模式，其中大部分为晚期定植者。晚期定植者在两种生活方式的早期都几乎不存在，并随着时间推移在丰度和流行率上增加。Prevotella在非工业化婴儿中的丰度增加率显著高于工业化婴儿。Staphylococcus作为早期定植者主要在生命前7个月被检测到，此后流行率下降。值得注意的是，Lactobacillus被归为混合定植者，其流行率随时间推移在工业化婴儿中下降，但在非工业化婴儿中却随着发育越来越普遍。

健康状况影响微生物组的成熟
研究人员将模型应用于患有严重急性营养不良（SAM）的婴儿（来自孟加拉国的非工业化队列）和早产儿（来自工业化队列）的数据集中。SAM婴儿的Shannon多样性显著低于健康的非工业化婴儿，而早产儿的多样性与足月儿相比无显著差异。SAM婴儿相较于两种生活方式下的健康婴儿均表现出明显的微生物成熟延迟。对于健康的非工业化婴儿，基于非工业化数据和混合数据模型预测到了更显著的延迟差异。模型分析表明，SAM婴儿的微生物丰富度和Faecalibacterium属在推迟成熟中起到了主要的作用。此外，早产儿相比健康的足月工业化婴儿也表现出微生物组成熟的延迟，并持续到至少3个月大。早产儿成熟延迟的主要驱动因素是微生物丰富度的降低，同时伴随着Staphylococcus的持续增加且只在较大的日龄时对预测微生物年龄有降低作用。

研究结果表明，基于大规模、具有全球多样性婴儿数据集构建的机器学习模型是评估肠道微生物组成熟度的重要工具。尽管非工业化群体中存在高度的环境异质性，但与同质化的工业化生活方式相比，这种生活方式多样性显著提高了模型在所有非工业化群体的预测和泛化性能。研究强调了微生物组的成熟过程遵循着一个跨生活方式的保守纵向发育轨迹，但其早期的群落多样性和组成都受到生活方式的深刻调节。这种调节导致了早期定植者与晚期定植者显著的属间演替差异，如Prevotella属在非工业化婴儿中的早期富集，而Staphylococcus属在工业化婴儿中的优势定植。模型训练方式和训练集的组成直接决定了其对临床异常状态的预测效能。针对具有特定生活背景的人群，如严重急性营养不良或早产儿群体，必须使用符合其生活方式属性的参考模型以准确评估微生物组的发育迟缓状况。该研究不仅补充了基于16S rRNA测序数据对于微生物成熟动态预测的科学证据，同时也提倡了在未来的微生物组研究中纳入更多代表性不足的非工业化样本，以消除现有研究中的长期地理和人口偏差。